基于机器学习的放射学分析,用于预测手术治疗后原发性皮质纤维肌肉瘤突起的局部复发
Cuixiang Cao1, Zhilong Yi2, Mingwei Xie3
1Department of Dermatology, The Third Affiliated Hospital of Sun Yat-Sen University, Guangzhou, Guangdong, China; Department of Dermatology, Cosmetology and Venereology, Shenzhen Hospital, Southern Medical University, Shenzhen, Guangdong, China.
概括
机器学习放射学模型准确地预测皮肤纤维瘤突起体 (DFSP) 手术后局部复发. 这些模型的表现优于Ki67指数,为DFSP提供了改善的患者随访和治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 皮肤纤维瘤突起体 (DFSP) 已知具有侵入性生长和高局部复发率.
- 准确预测复发风险对于患者的随访和治疗计划至关重要.
研究的目的:
- 评估基于机器学习的放射学模型在预测初级DFSP手术后局部复发方面的有效性.
- 将放射学模型的预测性能与Ki67指数进行比较.
主要方法:
- 一项回顾性研究,涉及来自两个机构的146名DFSP患者 (104人接受培训,42人接受外部验证).
- 使用MRI图像 (FS-T2W,FS-T1W+C和组合) 开发了三种放射性随机生存森林 (RSF) 模型.
- 将RSF模型性能与外部验证集中的Ki67指数进行比较.
主要成果:
- RSF模型在训练组中显示出高预测准确度 (C指数从0.855到0.875不等).
- 在外部验证组中,所有三种RSF模型与Ki67指数 (C指数0.838,0.754,0.866与0.601) 相比,都显示出更高的性能.
结论:
- 来自MRI的机器学习放射学模型在预测初级DFSP局部复发方面是有效的.
- 这些放射学模型比DFSP复发的Ki67指数提供了更好的预测性能.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15A Mouse Model of Incompletely Resected Soft Tissue Sarcoma for Testing Neoadjuvant Therapies
Published on: July 28, 2020
9.6K